[发明专利]一种历史文献数字化方法、系统、装置及存储介质

权利要求书

1.一种历史文献数字化方法，其特征在于，包括以下步骤：

获取平台文献资料，得到打包压缩文件；

对打包压缩文件进行解压和格式转换，得到预处理后图像；

对预处理后图像进行OCR识别和文字整合，得到整合后数据；

创建数据库并将整合后数据存入数据库。

2.根据权利要求1所述一种历史文献数字化方法，其特征在于，还包括：

对整合后数据进行识别校正。

3.根据权利要求2所述一种历史文献数字化方法，其特征在于，所述获取平台文献资料，得到打包压缩文件这一步骤，其具体包括：

基于平台获取文献资料的文件包；

对文件包进行分析，构建得到文件树结构图；

对文件包和文件树结构图进行压缩，得到打包压缩文件。

4.根据权利要求3所述一种历史文献数字化方法，其特征在于，所述对打包压缩文件进行解压和格式转换，得到预处理后图像这一步骤，其具体包括：

对打包压缩文件解压到对应的文件目录下，得到全部PDF文件；

将PDF文件转换为base64格式，得到base64格式的图像。

5.根据权利要求4所述一种历史文献数字化方法，其特征在于，所述对预处理后图像进行OCR识别和文字整合，得到整合后数据这一步骤，其具体包括：

基于OCR识别算法对base64格式的图像进行识别，得到文字数据；

根据文字数据取得书名、作者信息、出版时间、目录和正文内容；

按预设规则对文字数据整合，得到整合后数据。

6.根据权利要求5所述一种历史文献数字化方法，其特征在于，所述按预设规则对文字数据整合，得到整合后数据这一步骤，其具体包括：

选择一图一页规则，以一张图片作为一页对数据进行整合处理，将图片计数，得到整合后数据；

选择一图两页规则，将一张图片分割为两页对数据进行分页处理，得到整合后数据。

7.一种历史文献数字化系统，其特征在于，包括：

数据获取模块，用于获取平台文献资料，得到打包压缩文件；

图像预处理模块，用于对打包压缩文件进行解压和格式转换，得到预处理后图像；

内容识别模块，用于对预处理后图像进行OCR识别和文字整合，得到整合后数据；

存入数据库模块，用于创建数据库并将整合后数据存入数据库。

8.一种历史文献数字化装置，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7任一项所述一种历史文献数字化方法。

9.一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如权利要求1-7任一项所述一种历史文献数字化方法。